Im Frühjahr wird in vielen Haushalten geputzt und ausgemistet. Auch für Unternehmen kann ein solcher Frühjahrsputz in Sachen Daten sinnvoll sein.
Frühjahrsputz in der Datenbank: Mit sieben Schritten die Datenqualität verbessern
Denn ihr Erfolg hängt immer mehr auch von der Qualität ihrer Daten ab: Je stärker Abläufe automatisiert werden, umso wichtiger sind saubere Daten – und eine Frühjahrsputzaktion, um fehlerhafte oder unvollständige Daten aufzuspüren und zu bereinigen. Doch einzelne, konzentrierte Aktionen können die kontinuierliche Pflege nicht ersetzen. Sieben Schritte von proALPHA helfen, die eigenen Daten aufzupolieren und die Datenqualität dauerhaft zu erhöhen.
1. Verantwortlichkeiten klären
Klare Verantwortlichkeiten für Dateneingabe und Fehlerbereinigung in den Fachabteilungen wie für das Unternehmen insgesamt sind ein absolutes Muss. Denn wenn beispielsweise Konstruktion und Einkauf Zukaufteile zu einem Produkt getrennt voneinander im CAD- und im ERP-System anlegen, kann es zu inkonsistenten Daten kommen. Eindeutig definierte Verantwortlichkeiten sorgen hier für Klarheit.
2. Qualitätskriterien definieren
Jedes Unternehmen und jeder Prozess stellt andere Anforderungen an die benötigten Daten. Gilt ein Produktdatensatz erst dann als vollständig, wenn ein Bild zum Produkt vorhanden ist oder kann man auf das Bild verzichten? Oder wenn die Beschreibung auch übersetzt ist? Erst mit solchen Regeln lässt sich ein Datenbestand bewerten. Danach ist festzulegen, wie mit Mängeln zu verfahren ist.
3. Datenzustand analysieren
Im nächsten Schritt geht es darum, sich einen Überblick über den aktuellen Zustand der Daten zu verschaffen. Hierfür gibt es erprobte Analyseverfahren und -tools von proALPHA, die Probleme im Datenbestand aufzeigen sowie die Fehlerhäufigkeit ermitteln. Unvollständige oder fehlerhafte Daten, redundante Stammdaten oder Widersprüche in verschiedenen Datenpools kommen damit ans Tageslicht.
4. Archivieren
In vielen Datenbanken sind Teile der Datensätze veraltet oder aus anderen Gründen nicht mehr notwendig. Unternehmen sollten daher prüfen, ob im Tagesgeschäft nicht mehr benötigte Daten archiviert werden können. Dies natürlich unter Einhaltung von Nachweispflichten gegenüber Kunden und Behörden.
5. Datenfluss automatisieren
Mithilfe von Workflows lassen sich Daten aus verschiedenen Abteilungen zusammentragen und sogar automatisiert erfassen. Wird etwa im Vertrieb ein neuer Kunde mit seinen Stammdaten angelegt, kann die Debitorenbuchhaltung automatisch aufgefordert werden, die Kreditwürdigkeit zu prüfen. Gleichzeitig erhält ein Mitarbeiter in der Finanzbuchhaltung die Aufgabe, den Kontenstamm zu vervollständigen. Ist beides erledigt, geht eine Benachrichtigung an den für Kreditlimits zuständigen Mitarbeiter. Daher lohnt es sich, zu prüfen, welche Schritte über Workflows abgebildet werden können.
6. Mitarbeiter schulen
Datenqualität lässt sich nicht ausschließlich mit technischen Mitteln erreichen. Manche Regeln müssen die Menschen ohne digitale Unterstützung einhalten. Dazu gehören etwa Vorgaben für einheitliche Schreibweisen, wie beispielsweise, ob bei Adressen das Wort „Straße“ ausgeschrieben oder mit „Str.“ abgekürzt wird. Damit solche Festlegungen in der Hektik des Tagesgeschäfts nicht untergehen, sollten Mitarbeiter in festen Zeitabständen erinnert oder geschult werden. Schulungen erhöhen auch das Bewusstsein bei den Mitarbeitern für die Bedeutung der Datenqualität.
7. Regelmäßige Datenqualitätsprüfungen etablieren
Qualitätskontrollen und Datenbereinigungen müssen in regelmäßigen Abständen wiederholt werden. Dabei unterstützen integrierte Data-Mining-Tools wie der proALPHA Analyzer oder auf Datenqualität spezialisierte Werkzeuge wie InfoZoom Data Quality.
Die Praxis zeigt: Schon einfache Maßnahmen können große Wirkung entfalten. So sinken die Kosten, die auf Datenfehler zurückgehen, spürbar. Unternehmen können, wenn sie ihre Daten im Griff haben, schneller wachsen und höhere Umsätze erzielen. Laut der Studie „Datenqualität und -management. Trends 2016“ kann dieser Umsatzzuwachs durch saubere Daten bis zu 29 Prozent betragen. Damit amortisieren sich die letztlich überschaubaren Investitionen in den Daten-Hausputz quasi im Handumdrehen.